Ch11 自主系统 · 阶段测试题

难度梯度: 🟢 → 🟡 → 🔴 → ⭐。测试时间: 150 分钟 / 满分 100 / 题量 25。

---

Part A 单选题 (10 × 4 = 40)

A1 🟢

SLAM 的"SLAM"分别代表什么? - A. Single-Layer Autonomous Map - B. Simultaneous Localization and Mapping - C. Sparse Linear Approximate Mapping - D. Synchronous Landmark Adjustment Method

答案

B

A2 🟢

LiDAR 测距公式: - A. \(d = c \cdot t\) - B. \(d = c \cdot t / 2\) - C. \(d = c / t\) - D. \(d = c^2 t\)

答案

B (光往返)

A3 🟢

PPO 的 ε (clip ratio) 默认值? - A. 0.05 - B. 0.2 - C. 0.5 - D. 1.0

答案

B

A4 🟢

自动驾驶 L4 的定义? - A. 任何场景全无人 - B. 限定 ODD 全无人 - C. 仅辅助转向 - D. 仅 ACC

答案

B

A5 🟢

Diffusion Policy 推理时去噪步数通常? - A. 1 步 - B. 4 步 (Consistency Policy) - C. 16 步 - D. 1000 步 (与训练一致)

答案

C (默认 16 步)

A6 🟡

π0 模型参数量级是? - A. 350M - B. 3B - C. 55B - D. 175B

答案

B (π0 是 3B)

A7 🟡

VLA 全称? - A. Vision-Language-Action - B. Visual-Language-Alignment - C. Vision-Latent-Attention - D. Vector-Latent-Action

答案

A

A8 🟡

BEV 鸟瞰图常用分辨率 (m/像素)? - A. 0.05 - B. 0.5 - C. 5 - D. 50

答案

B (0.5 m/像素最常用)

A9 🟡

MPC 预测 horizon 通常? - A. 1 步 - B. 10 步 - C. 100 步 - D. 1000 步

答案

B (10 步常用, 50 ms 周期)

A10 🔴

RT-2 的核心思想是? - A. 用扩散模型生成动作 - B. 把动作 token 与语言 token 共享输出空间 - C. 用 Diffusion Policy 输出动作 - D. 用卡尔曼滤波跟踪目标

答案

B

---

Part B 填空 (5 × 4 = 20)

B1 🟢

SLAM 前端用 _ 提取特征点。SLAM 后端用 _ 优化关键帧位姿与路标点。

答案

ORB (Oriented FAST and Rotated BRIEF); BA (Bundle Adjustment, 光束平差法)

B2 🟢

卡尔曼滤波两步: _ 步,推算先验; _ 步,融入观测修正后验。

答案

预测步 (predict); 更新步 (update, 含卡尔曼增益 K_t)

B3 🟡

PPO 算法中,新旧策略比值被裁剪到区间 _ 内。ε 默认 _。

答案

[1-ε, 1+ε] = [0.8, 1.2]; ε=0.2

B4 🟡

自动驾驶的两条主要技术路线: _ (Waymo) 与 _ (Tesla FSD v12)。

答案

模块化 (modular); 端到端 (end-to-end)

B5 🔴

VLA 模型 π0 的视觉编码器用 _, 语言模型基于 _, 输出空间包含 _ 与 _ token。

答案

SigLIP 视觉编码器; Gemma LLM; 语言 token + 动作 token(共享输出字典)

---

Part C 简答 (5 × 6 = 30)

C1 🟢

简述 SLAM 的前/后端职责分工。

答案

**前端 (Front-End)**: - 提取关键帧 + 特征 (如 ORB) - 计算相机位姿 (视觉里程计/IMU) - 数据关联 **后端 (Back-End)**: - 全局 BA / Pose Graph 优化 - 回环检测 (词袋/Sim(3)) - 地图管理 **典型实现**: ORB-SLAM, VINS-Mono, OKVIS, SplaTAM

C2 🟡

Diffusion Policy 与 BC (行为克隆) 的本质区别是什么?

答案

| 维度 | BC | Diffusion Policy | |------|----|------------------| | 训练 | 单步 MSE / MLE | 多步去噪 | | 多模态 | 弱 (均值) | 强 (表达多解) | | 长 horizon | 易漂移 | 鲁棒 | | 数据效率 | 中 | 较低 (需更多数据) | | 推理速度 | 1 ms | ~50 ms (16 步) | 实测 ManiSkill2 DP 比 BC 强 3-5 倍。

C3 🟡

解释 MPC 在自动驾驶控制中的具体应用。

答案

**MPC 思路**: 用车辆动力学模型预测未来 N 步轨迹, 在线求解最优控制序列。 **自动驾驶应用**: - **车道跟随**: 跟踪规划轨迹, 预测 10 步 (50 ms 周期) - **避障**: 软约束融入障碍物距离 - **节能**: 用纵向 MPC 优化加减速 **目标函数**: $$\min_u \sum \|x_{t+k} - x^*\|^2_Q + \|u\|^2_R$$ s.t. 车辆动力学, 速度约束, 加速度约束。 **工程库**: ACADO, CasADi, ACADOS。

C4 🟡

端到端 vs 模块化自动驾驶的优劣对比,举出代表公司。

答案

| 维度 | 模块化 (Waymo) | 端到端 (Tesla) | |---|---|---| | 可解释 | 高 | 低 | | 数据 | 标注清晰 | 海量原始轨迹 | | 调试 | 单模块 | 黑盒难 | | 性能上限 | 中 | 联合优化高 | | 安全等级 | 容易认证 | 需要冗余监控 | 代表: - Waymo Driver 6.0 (2024 起转向端到端) - Tesla FSD v12 (2024 端到端) - Wayve、Apollo 等混合派

C5 🔴

NeRF / 3D Gaussian Splatting 在自动驾驶仿真的作用与对比。

答案

**NeRF 应用**: - 从多角度照片重建场景, 用于 corner case 仿真 - 缺点: 训练慢 (12 小时), 渲染慢 (30 秒/帧) **3DGS (SIGGRAPH 2023) 应用**: - 1 分钟训练, 30+ fps 渲染 - 自动驾驶仿真可实时视角合成 - SplaTAM 用 3DGS 做视觉 SLAM **代表项目**: - NeuRAD (Hugging Face) - Mip-NeRF 360 - Street Gaussians (Wayve 2024)

---

Part D 论述 (3 × 8 = 24 / 选 2)

D1 🔴

VLA 模型通用化的三大挑战及解决思路。

答案

**挑战**: 1. **数据稀缺**: 机器人轨迹成本高,互联网图文数据无法直接使用 2. **异构机器人**: 不同形态(双臂/四足/人形)的动作空间不同 3. **仿真到真实**: sim-to-real gap, 加速度/接触动力学仿真不准 **解决思路**: 1. 数据: Open X-Embodiment 跨机器人数据 + 自我中心相机 + 众包平台 2. 异构: 共享 VLM 视觉/语言编码 + 各机器人专属 action head 3. sim2real: 大模型通用化降低 sim2real gap (因为真实数据参与训练) **代表工作**: π0 (3B), OpenVLA (7B 开源), RT-2 (55B)。

D2 ⭐

人形机器人的 sim-to-real gap 挑战。讨论 Optimus 与 Figure 02 的不同训练路径。

答案

**sim-to-real gap**: - 接触动力学 (人脚/手与地面/物体接触) - 关节摩擦力变化 - 延迟与带宽差异 - 肌肉/液压执行器建模 **Tesla Optimus 路径**: - 类仿人外形 + 自研执行器 - FSD 仿真 + 数据循环 - 工厂真实部署 (缓慢) **Figure 02 路径**: - 与 OpenAI 模型合作 (传闻) - 单手指 24 自由度 - BMW 工厂测试 (2024) **关键挑战**: - 硬件可靠性 (执行器寿命) - 软件分布现实 (corner case) - 安全认证 (与人类共存)

D3 🔴

Sora 类视频生成模型如何推动自动驾驶世界模型与仿真。

答案

**核心思想**: 把 Diffusion Transformer 升级到**时空 token**,生成高保真视频。 **推动自驾仿真**: - 合成 corner case (罕见事故场景) - 长视角生成(10-60 秒) - 端到端测试 + 数据增广 - Tesla Dojo 训练世界模型 (类似 Genie 3) **代表工作**: - Wayve GAIA-1 (2023) - Tesla World Models (2024) - Genie 3 (DeepMind 2025) - Kunlun/SceneDiffuser (Waymo 2024) **对 VLA 的影响**: 世界模型 + VLA 形成闭环 — 想象未来动作,验证安全性,再真机执行。

---

Part E 代码题 (1 × 6)

E1 🔴

写一个简化 BEV 占据预测的伪代码, 输入为 6 个相机图像, 输出为 256×256×32 占据体素。

答案

import torch
import torch.nn as nn

class BEVOccupancyNet(nn.Module):
    def __init__(self, n_cams=6):
        super().__init__()
        # 共享视觉编码器
        self.backbone = ViT_L_ImageNet(n_cams=n_cams)
        # BEV 空间转换 + 高度聚合
        self.bev_transform = BEVTransform(in_dim=768, out_dim=128)
        # 3D 占据头部
        self.occ_head = nn.Sequential(
            nn.Conv3d(128, 64, 3, padding=1),
            nn.ReLU(),
            nn.Conv3d(64, 1, 1),  # 输出每个体素占用 0/1
        )

    def forward(self, images):
        # images: (B, 6, 3, H, W)
        feats = self.backbone(images)  # (B, 6, 768, h, w)
        bev = self.bev_transform(feats)  # (B, 128, 256, 256)
        # 假设 32 高度层
        bev_3d = bev.unsqueeze(2).expand(-1, -1, 32, -1, -1)  # (B, 128, 32, 256, 256)
        occ = self.occ_head(bev_3d)  # (B, 1, 32, 256, 256)
        return occ.squeeze(1).sigmoid()

**评分点**: BEV 转换正确 (2), 3D 占据输出正确 (2), 多相机融合 (2)。

---

总体策略

• 单选 20 分钟
• 填空 15 分钟
• 简答 40 分钟 (8 题 × 5)
• 论述 24 分钟 (2 道 × 12)
• 代码 15 分钟
• 余下: 检查

取舍

• P0 必拿分 (4-6 道): SLAM, BA, PPO clip, Diffusion Policy, RT-2
• 中等优先级: BEV 占据, MPC, π0
• 拉开差距: VLA 通用化, sim2real, Sora 世界模型

易错点

• LiDAR 测距除以 2 (往返)!
• PPO clip 是 1-ε, 不是 ε
• VLA 是 Vision-Language-Action, 不是 Visual
• L4 是"限定 ODD",L5 是"全场景"
• Diffusion Policy 16 步 (不是 1000)
• BA 中是 Levenberg-Marquardt / Schur complement